GemNet-OC
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu są OPEN, ale nie opublikowano liczby parametrów. Każda figura dotycząca MEMORY i prędkości zaczyna się od tej liczby, więc wolelibyśmy nic nie pokazywać niż wymyśloną estymację..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research
- Typ organizacji
- Academia,Academia,Industry
- Kraj
- Germany, United States of America, France
- Opublikowany
- 30 September 2022
- Autorzy
- Johannes Gasteiger, Muhammed Shuaibi, Anuroop Sriram, Stephan Günnemann, Zachary Ulissi, C. Lawrence Zitnick, Abhishek Das
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Materials science
- Zadanie
- Molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- tokens
- Epoki
- 4
"trained for a max number of epochs (4) or until the learning rate has been exhaustively stepped, whichever comes first" from the Table 1: ∼134 M samples (133 934 018) avg size 73.3 (7-225) 133 934 018 * 73.3 = 9817363519.4 atoms (~tokens)
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 5.4 × 10²⁰ FLOP
- Jak to zostało ustalone
- Hardware
125000000000000 FLOP / GPU / sec [bf16 assumed] * 4000 GPU-hours [inferring from Figure 2] * 3600 sec / hour * 0.3 [asssumed utilization] = 5.4e+20 FLOP
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA V100
- Czas-chip
- 4,000
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Open — downloadable
- Dostęp do modelu
- Open weights (unrestricted)
- Kod treningowy
- Open source
MIT license https://github.com/facebookresearch/fairchem/tree/main/src/fairchem/core
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Likely
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- GemNet-OC: Developing Graph Neural Networks for Large and Diverse Molecular Simulation Datasets
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
GemNet-OC został opublikowany przez Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research, w kraju zapisanym jako Germany, podczas September 2022. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia,Industry.
Działa w dziedzinie Materials science, i jest zapisany jako wykonujący zadanie molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design.
Ponieważ jego wagi zostały udostępnione, nic w kwestii uruchamiania go nie zależy od dostępności dostawcy — należy do ciebie po pobraniu.
Jak to zostało wytrenowane
Wytworzenie tego wymagało arytmetyki sumującej około 5.4 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
GemNet-OC — częste pytania
GemNet-OC— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 5.4 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
GemNet-OC— Jaką GPU potrzebuję, aby ją uruchomić?
Nie możemy powiedzieć. Ma otwarte wagi, ale nie opublikowano liczby parametrów, a wszelkie obliczenia pamięci i prędkości zaczynają się od tej liczby. Wolimy nie pokazywać niczego niż fałszywą szacunkową wartość.
GemNet-OC— czy jest open weight?
Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.
GemNet-OC— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
GemNet-OC— kto to stworzył?
Zostało opublikowane przez Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research, oparty na Germany, organizacja sklasyfikowana jako academia,Academia,Industry.
GemNet-OC— kiedy to zostało wydane?
Zostało opublikowane w September 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
GemNet-OC— do czego to służy?
Działa w dziedzinie Materials science, i jest zarejestrowany jako realizujący zadanie molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
GemNet-OC— Gdzie mogę to pobrać?
Wagi są opublikowane, chociaż nie posiadamy linku do repozytorium. Ta strona oblicza wymagania sprzętowe, a nie hostuje pliki modelu.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.